一种基于深度学习的电路器件特征尺寸检测方法和装置

技术领域

本发明实施例涉及电路器件尺寸检测技术领域，尤其涉及一种基于深度学习的电路器件特征尺寸检测方法和装置。

背景技术

随着集成电路（IC）设计和制造技术的迅猛发展，集成电路的集成度越来越高，模拟电路和数字电路的规模也越来越大。在科技的飞速发展和技术的不断突破下，高端芯片工艺制程从28nm、14nm演进到7nm以及要即将量产的5nm，集成电路集成能力以几何级爆发式增长，对于超大规模集成电路，能集成十万、百万个以上的元器件。

在电路分析领域，工程师需要对工艺芯片进行去层、局部剖析、电路提取和分析。现有技术中，电路分析工程师在提取集成电路的基本器件（参见图1a-b和图2）时，通常是通过人工提取器件特征尺寸，再提取基本器件。但集成电路中基本器件种类繁多，尺寸不一，数量庞大，多则达到百万数量级别。对于工程师团队，提取完全部的器件至少需数月，电路提取速率低，不能满足工期要求。另外，重复性的繁琐工作，没有技术含量，也导致了大量的人力资源浪费。而通过传统的图像识别算法进行识别时，由于器件图像类型多，器件的形状多样，在处理图像畸变、抗干扰性方面效果差，最终导致提取准确率低，无法满足器件提取的准确率高的要求。

综上，现有技术中的人工提取基本器件特征尺寸速率极低，而传统的图像识别算法准确率又低。上述提取方法不仅耗费较大的人力资源，最终的电路提取速率也不高，无法实现对电路器件的高效提取和分析。

发明内容

本发明提供一种基于深度学习的电路器件特征尺寸检测方法和装置，以实现电路器件高效提取和准确提取。

第一方面，本发明实施例提供了一种基于深度学习的电路器件特征尺寸检测方法，包括：

S1、制作电路器件数据集；

S2、搭建用于电路器件特征尺寸提取的待训练深度学习模型；

S3、使用所述电路器件数据集训练所述待训练深度学习模型，得到训练好的深度学习模型；

S4、使用所述训练好的深度学习模型对芯片的电路器件进行图像检测，得到图像检测结果；

S5、对所述图像检测结果进行分析，以得到电路器件的特征尺寸信息。

可选的，所述S1具体包括：

在各工艺层对选取的电路器件进行标注，并导出包含标注信息的电子器件图像；

根据所述待训练深度学习模型的输入标准对电子器件图像进行处理，以得到电路器件数据集。

可选的，所述S2中的待训练深度学习模型包括多分辨率并行卷积单元和多分辨率融合单元。

可选的，所述S3具体包括：

将所述电路器件数据集分批次送入所述待训练深度学习模型；

根据所述电路器件数据集的分类情况，设置待训练深度学习模型的损失函数、训练批次、学习率以及优化器对所述待训练深度学习模型进行训练，以得到训练好的深度学习模型。

可选的，所述S4具体包括：使用训练好的深度学习模型对芯片的模拟区器件图像和数字区器件图像进行特征提取，根据特征提取结果确定芯片的电路器件轮廓。

可选的，所述S5具体包括：对所述芯片的电路器件轮廓进行分析，确定所述芯片的电路器件的特征尺寸。

第二方面，本发明实施例还提供一种基于深度学习的集成器件特征尺寸检测装置，包括：

数据集制作模块，用于制作电路器件数据集；

模型搭建模块，用于搭建用于电路器件特征尺寸提取的待训练深度学习模型；

模型训练模块，用于使用所述电路器件数据集训练所述待训练深度学习模型，得到训练好的深度学习模型；

图像检测模块，用于使用所述训练好的深度学习模型对芯片的电路器件进行图像检测，得到图像检测结果；

特征尺寸提取模块，用于对所述图像检测结果进行分析，以得到电路器件的特征尺寸信息。

可选的，所述数据集制作模块具体用于：

在各工艺层对选取的电路器件进行标注，并导出包含标注信息的电子器件图像；

根据所述待训练深度学习模型的输入标准对电子器件图像进行处理，以得到电路器件数据集。

可选的，所述模型训练模块具体用于：

将所述电路器件数据集分批次送入所述待训练深度学习模型；

根据所述电路器件数据集的分类情况，设置待训练深度学习模型的损失函数、训练批次、学习率以及优化器对所述待训练深度学习模型进行训练，以得到训练好的深度学习模型。

可选的，所述图像检测模块具体用于：

使用训练好的深度学习模型对芯片的模拟区器件图像和数字区器件图像进行特征提取，根据特征提取结果确定芯片的电路器件轮廓。

本发明通过利用训练好的深度学习模型可以准确高效的将芯片的电路器件特征尺寸提取出来，不仅大大节省了人力成本，同时也为高效提取和分析电路的愿景提供了实现可能。

附图说明

图1a为基本器件的poly层图像；

图1b为基本器件的diff层图像；

图2为基本器件的特征尺寸示意图；

图3为本发明实施例提供的一种基于深度学习的电路器件特征尺寸检测方法的流程图；

图4为深度学习模型的主干网络设计示意图；

图5为mos（场效应管）器件的poly层图像；

图6为mos（场效应管）器件的diff层图像；

图7为检测出的mos器件尺寸结果示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例

图3为本发明实施例提供的一种基于深度学习的电路器件特征尺寸检测方法的流程图，具体包括如下步骤：

S1、制作电路器件数据集。

本实施例中，由于不同类型的电路器件的结构特征存在较为相似的情况，所以在制作电路器件数据集时，需要选取结构特征存在一定区别的电路器件，在各工艺层对所选取的电路器件进行标注，进而导出包含电路器件标注信息的电子器件图像。

然后根据所述待训练深度学习模型的输入标准对电子器件图像进行处理，以得到电路器件数据集，该电路器件数据集为进行模型训练的样本数据。

S2、搭建用于电路器件特征尺寸提取的待训练深度学习模型。

具体的，上述待训练深度学习模型包括多分辨率并行卷积单元和多分辨率融合单元，用于对图像中的电子器件进行特征检测。示例性的，该模型的主干网络（backbone）设计示意图参见图4，图4中的pre为融合前，post为融合后。通过并行连接多分辨率，反复交换并行多分辨率子网络中的信息，通过跨分辨率的信息交互，实现高分辨率丰富语义的特征输出以及多尺度融合。

S3、使用所述电路器件数据集训练所述待训练深度学习模型，得到训练好的深度学习模型。

具体的，上述S3具体包括：将所述电路器件数据集分批次送入所述待训练深度学习模型；根据所述电路器件数据集的分类情况，设置待训练深度学习模型的损失函数、训练批次、学习率以及优化器对所述待训练深度学习模型进行训练，以得到训练好的深度学习模型。

其中，在对待训练深度学习模型进行训练时，通过设置一定的训练参数，使得待训练深度学习模型的各参性能到最优，从而得到训练好的深度学习模型。

示例性的，本实施例中将准备好的训练数据集分批次送入深度学习模型，按照预设裁切尺寸对图像进行随机裁剪或填充，按照0.5-2.1的倍率对图像进行随机缩放，随机增强或减弱图像的色调、饱和度和明度，按照预设比例对图像下采样，随机翻转，将经过上述处理的图像输入神经网络。

示例性的，本实施例根据样本的分类情况，设置合适的损失函数，设置最大batch为1，设置0.01的学习率执行随机梯度下降，设置合适的优化器对梯度进行更新，训练1500个epochs后，由此计算得到的IoU值即为最优解，从而获取训练好的深度学习模型。

S4、使用所述训练好的深度学习模型对芯片的电路器件进行图像检测，得到图像检测结果。

具体的，使用训练好的深度学习模型对芯片的模拟区器件图像和数字区器件图像进行特征提取，根据特征提取结果确定芯片的电路器件轮廓。

S5、对所述图像检测结果进行分析，以得到电路器件的特征尺寸信息，即长（W）和宽（L）的值。

在获取到电路器件对应的轮廓之后，结合poly（多晶）层图像和diff（有源）层图像的模型推理结果，计算器件的W、L值，从而最终得到电路器件的特征尺寸。

本发明实施例的技术方案，通过利用深度学习模型训练用于电路器件特征尺寸提取的模型，训练好的深度学习模型可以准确高效的将芯片的电路器件特征尺寸提取出来，不仅大大节省了人力成本，同时也为高效提取和分析电路的愿景提供了实现可能。

本发明实施例还提供了一种基于深度学习的集成器件特征尺寸检测装置，该装置包括：

数据集制作模块，用于制作电路器件数据集；

模型搭建模块，用于搭建用于电路器件特征尺寸提取的待训练深度学习模型；

模型训练模块，用于使用所述电路器件数据集训练所述待训练深度学习模型，得到训练好的深度学习模型；

图像检测模块，用于使用所述训练好的深度学习模型对芯片的电路器件进行图像检测，得到图像检测结果；

特征尺寸提取模块，用于对所述图像检测结果进行分析，以得到电路器件的特征尺寸信息。

其中，所述数据集制作模块具体用于：

在各工艺层对选取的电路器件进行标注，并导出包含标注信息的电子器件图像；

根据所述待训练深度学习模型的输入标准对电子器件图像进行处理，以得到电路器件数据集。

其中，所述模型训练模块具体用于：

将所述电路器件数据集分批次送入所述待训练深度学习模型；

根据所述电路器件数据集的分类情况，设置待训练深度学习模型的损失函数、训练批次、学习率以及优化器对所述待训练深度学习模型进行训练，以得到训练好的深度学习模型。

可选的，所述模型训练模块中的待训练深度学习模型包括多分辨率并行卷积单元和多分辨率融合单元。

其中，所述图像检测模块具体用于：

使用训练好的深度学习模型对芯片的模拟区器件图像和数字区器件图像进行特征提取，根据特征提取结果确定芯片的电路器件轮廓。

所述特征尺寸提取模块，具体用于：对所述芯片的电路器件轮廓进行分析，确定所述芯片的电路器件的特征尺寸。

本发明实施例所提供的一种基于深度学习的集成器件特征尺寸检测装置可执行本发明任意实施例所提供的一种基于深度学习的集成器件特征尺寸检测方法，具备执行方法相应的功能模块和有益效果，不再进行赘述。

进一步的，本实施例以包含50余种电路器件的项目为示例来进行实验验证。50余种电路器件中的每种器件形态各异。

首先，构建用于电路器件检测的神经网络。该神经网络由四个阶段组成。第n个阶段包含对应于n个分辨率的n个流，通过并行连接多分辨率，反复交换并行多分辨率子网络中的信息，通过跨分辨率的信息交互，实现高分辨率丰富语义的特征输出以及多尺度融合。backbone部分按照图4的设计，融合前为pre，融合后为post。pre1和post1的操作为空，pre2和post1的操作为2倍上采，pre3和post1的操作为4倍上采；pre1和post2的操作为3*3卷积下采，pre2和post2的操作为空，pre3和post2的操作为2倍上采；pre1和post3的操作为连续两个3*3卷积下采，pre2和post3的操作为3*3卷积下采，pre3和post3的操作为空。三个输出中的每一个输出都是与三个输入相关的，即：

R

同时也会得到一个额外的输出：

R

参见图5和图6，图5为mos（场效应管）器件的poly（多晶）层图，图6为mos（场效应管）器件的diff（有源）层图像，将电子器件的poly层图像和diff层图像送入神经网络进行特征分析，模型推理出该电子器件的轮廓，图7中的加粗方框的长宽即为相应器件的L/W尺寸。

本实施例通过构建神经网络的方式，提取出电子器件的语义信息，进而得到丰富语义的特征输出，能够较为准确地计算出器件的特征尺寸。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。